歡迎來(lái)到《每周CV論文推薦》。在這個(gè)專欄里，還是本著有三AI一貫的原則，專注于讓大家能夠系統(tǒng)性完成學(xué)習(xí)，所以我們推薦的文章也必定是同一主題的。

GAN作為當(dāng)前最有前途，也最燒錢的方向之一，值得每一個(gè)從事CV領(lǐng)域的同學(xué)跟進(jìn)，今天給大家介紹入行GAN需要讀的文章。

作者&編輯 | 言有三

1 GAN

首先當(dāng)然是要讀GAN之父Goodfellow的文章[2]了，引用量已經(jīng)超過(guò)了10000+，不過(guò)因?yàn)镚AN模型同時(shí)包含了生成學(xué)習(xí)和判別學(xué)習(xí)模型，也推薦大家讀一讀文[1]對(duì)兩者的對(duì)比。

文章引用量：10000+

推薦指數(shù)：?????

[1] Ng A Y, Jordan M I. On discriminative vs. generative classifiers: A comparison of logistic regression and naive bayes[C]//Advances in neural information processing systems. 2002: 841-848.

[2] Goodfellow I, Pouget-Abadie J, Mirza M, et al. Generative adversarial nets[C]//Advances in neural information processing systems. 2014: 2672-2680.

2 DCGAN

作為第一個(gè)全卷積GAN，簡(jiǎn)單，有效，對(duì)機(jī)器的要求不高，誰(shuí)都可以上手在短時(shí)期來(lái)完成圖像生成任務(wù)，領(lǐng)略GAN的神奇之處。

文章引用量：4000+

推薦指數(shù)：?????

[3] Radford A, Metz L, Chintala S. Unsupervised representation learning with deep convolutional generative adversarial networks[J]. arXiv preprint arXiv:1511.06434, 2015.

3 CGAN和InfoGAN

GAN雖然是無(wú)監(jiān)督模型，DCGAN固然也好用，但是加了條件控制之后才能做更多的事情。CGAN是第一個(gè)條件GAN模型，能夠控制生成數(shù)字的細(xì)節(jié)。Infogan是無(wú)監(jiān)督的cgan，通過(guò)隱變量約束c與生成數(shù)據(jù)之間的關(guān)系，它們是后面出現(xiàn)的更加強(qiáng)大的條件GAN的基礎(chǔ)。

文章引用量：2000+

推薦指數(shù)：?????

[4] Mirza M, Osindero S. Conditional generative adversarial nets[J]. arXiv preprint arXiv:1411.1784, 2014.

[5] Chen X, Duan Y, Houthooft R, et al. Infogan: Interpretable representation learning by information maximizing generative adversarial nets[C]//Advances in neural information processing systems. 2016: 2172-2180.

4 級(jí)連GAN

原始的GAN生成圖的分辨率太小，無(wú)法實(shí)用，為了更加穩(wěn)定地生成更加高清的圖，LAPGAN[6]/StackedGAN[7]借鑒了圖像中的金字塔算法，各自提出級(jí)連的GAN結(jié)構(gòu)。NVIDIA則在Progressive GAN中首次將圖像生成到了1024分辨率，效果驚人。

文章引用量：1000+

推薦指數(shù)：?????

[6] Denton E L, Chintala S, Fergus R. Deep generative image models using a laplacian pyramid of adversarial networks[C]//Advances in neural information processing systems. 2015: 1486-1494.

[7] Huang X, Li Y, Poursaeed O, et al. Stacked generative adversarial networks[C]//IEEE Conference on Computer Vision and Pattern Recognition (CVPR). [8] Karras T, Aila T, Laine S, et al. Progressive growing of gans for improved quality, stability, and variation[J]. arXiv preprint arXiv:1710.10196, 2017.

5 如何獲取文章與交流

找到有三AI開(kāi)源項(xiàng)目即可獲取。

文章細(xì)節(jié)眾多，閱讀交流在有三AI知識(shí)星球中進(jìn)行，感興趣可以加入。

總結(jié)

一入GAN門深似海，期望大家能夠在GAN中有所收獲，遇到困難堅(jiān)持住，就是GAN。